Η ολοένα και μεγαλύτερη διείσδυση της τεχνητής νοημοσύνης στους χώρους εργασίας δημιουργεί νέες δυνατότητες για τις επιχειρήσεις, όμως αναδεικνύει και μια σημαντική πρόκληση: πώς μπορεί ένα σύστημα AI να αποκτήσει τη γνώση που οι εργαζόμενοι έχουν αποκτήσει μέσα από χρόνια εμπειρίας και η οποία σπάνια καταγράφεται σε εγχειρίδια ή διαδικασίες.
Οι περισσότερες εταιρείες διαθέτουν κανόνες, οδηγούς και εσωτερικά πρωτόκολλα που μπορούν σχετικά εύκολα να αξιοποιηθούν από τα μοντέλα τεχνητής νοημοσύνης. Ωστόσο, ένα μεγάλο μέρος της καθημερινής εργασίας βασίζεται σε άτυπες πρακτικές, προσωπική κρίση και εμπειρική γνώση, στοιχεία που δύσκολα μετατρέπονται σε δεδομένα τα οποία μπορεί να «κατανοήσει» μια μηχανή.
Η αξία της άρρητης γνώσης
Οι ειδικοί περιγράφουν αυτή τη μορφή εμπειρίας ως «άρρητη γνώση» (tacit knowledge). Πρόκειται για δεξιότητες και τρόπους λήψης αποφάσεων που αποκτώνται μέσα από την καθημερινή πρακτική και συχνά δεν μπορούν να εξηγηθούν εύκολα ούτε από τους ίδιους τους εργαζόμενους.
Για παράδειγμα, ένας έμπειρος υπάλληλος εξυπηρέτησης πελατών γνωρίζει πότε πρέπει να παρεκκλίνει από μια τυπική διαδικασία για να επιλύσει ένα πρόβλημα, ενώ ένας διευθυντής παραγωγής μπορεί να εντοπίσει εγκαίρως μια δυσλειτουργία βασιζόμενος σε ενδείξεις που δύσκολα αποτυπώνονται σε αριθμούς ή αναφορές. Αυτές οι αποφάσεις αποτελούν προϊόν εμπειρίας και όχι αυστηρών κανόνων.
Η καταγραφή της πραγματικής εργασίας
Για να γεφυρώσουν αυτό το κενό, αρκετές εταιρείες αναπτύσσουν εργαλεία που αναλύουν τον τρόπο με τον οποίο εκτελείται στην πράξη η εργασία. Μέσα από δεδομένα που προέρχονται από εταιρικά πληροφοριακά συστήματα, επιχειρούν να χαρτογραφήσουν την πραγματική ροή διαδικασιών και όχι μόνο εκείνη που περιγράφεται στα εγχειρίδια λειτουργίας.
Παρ' όλα αυτά, ακόμη και οι πιο εξελιγμένες πλατφόρμες δυσκολεύονται να καταγράψουν την ανθρώπινη κρίση, τη διαίσθηση και την προσαρμοστικότητα που απαιτούν πολλές επαγγελματικές αποφάσεις.
Δεν είναι όλα τα επαγγέλματα ίδια
Η αξιοποίηση της τεχνητής νοημοσύνης αποδεικνύεται πιο αποτελεσματική σε εργασίες που ακολουθούν σαφείς κανόνες και παράγουν προβλέψιμα αποτελέσματα. Αντίθετα, σε επαγγέλματα όπου κυριαρχούν οι διαπροσωπικές σχέσεις, η δημιουργικότητα ή η λήψη σύνθετων αποφάσεων, η μεταφορά της ανθρώπινης εμπειρίας σε ένα σύστημα AI γίνεται πολύ πιο περίπλοκη.
Αυτό εξηγεί γιατί, παρά τη ραγδαία πρόοδο των μεγάλων γλωσσικών μοντέλων, πολλές επιχειρήσεις εξακολουθούν να θεωρούν απαραίτητη την ανθρώπινη παρουσία σε κρίσιμες λειτουργίες.
Συνεργασία αντί για αντικατάσταση
Το βασικό συμπέρασμα που προκύπτει είναι ότι η τεχνητή νοημοσύνη μπορεί να λειτουργήσει αποτελεσματικά ως εργαλείο υποστήριξης, όμως η πλήρης αντικατάσταση της ανθρώπινης εμπειρίας παραμένει ιδιαίτερα δύσκολη. Όσο μεγαλύτερο μέρος μιας εργασίας βασίζεται στην εμπειρία, στην κρίση και στην άτυπη γνώση, τόσο πιο δύσκολο είναι να μεταφερθεί σε έναν αλγόριθμο.
Για τις επιχειρήσεις, η πρόκληση των επόμενων ετών δεν θα είναι μόνο η υιοθέτηση της AI, αλλά και η δημιουργία τρόπων καταγραφής και μεταφοράς της πολύτιμης γνώσης που διαθέτουν οι εργαζόμενοί τους. Η επιτυχία δεν θα εξαρτηθεί αποκλειστικά από την ισχύ των μοντέλων τεχνητής νοημοσύνης, αλλά και από το κατά πόσο οι οργανισμοί θα καταφέρουν να μετατρέψουν την ανθρώπινη εμπειρία σε αξιοποιήσιμη γνώση χωρίς να χαθεί η πολυπλοκότητα που τη χαρακτηρίζει.
